文章介绍蚂蚁集团推出的金融垂直大模型 Ling-3.0-Flash-Fin，该模型基于124B总参数、5.1B激活参数的稀疏架构，针对财报解析做了专项优化。作者以腾讯Q2现金流转负这一市场争议话题为例，将该模型导入最近四个季度财报进行分析。模型按照专业投研流程逐层拆解：先锚定报表事实，识别现金流转负源于算力预付款而非经营恶化；再做时序对比、拆分AI投入与核心业务盈利、交叉校验多张报表，最后分层输出短中长期判断并列出需跟踪的观测指标。作者认为金融垂直模型在财报分析上比通用大模型更严谨，能有效规避数据幻觉和口径混淆问题。
文章以供给稀缺、客户认证、竞争扩产与股价回撤四个维度，重新审视AIDC产业链30家瓶颈公司。结论是：真正具备产能、认证、交期或锁量证据的公司只占少数；瓶颈增强的同时竞争普遍加剧；回撤最大的小票往往瓶颈地位尚未验证。第一梯队包括AXT（InP衬底）、Tower（硅光代工）、联亚、AAOI、古河电工、Micron等，而Sivers、上诠等高热度小票仍属潜在瓶颈。回调提供了更便宜的价格，但没有自动提供更高的确定性。
本文总结了作者 4 个月使用 Hermes AI 作为分析师的经验，精选了 12 篇文章。内容涵盖从环境搭建、工作流设计到工具配置的全过程，特别是数据分析和投资研究场景的实践，适合新手定制 AI Agent。
文章整理了美股投资中常用的工具清单，涵盖行情数据、财报研究、宏观数据、机构持仓追踪及新闻资讯等类别。作者推荐了多个免费及付费的高效工具，并提醒投资者远离付费荐股和虚假消息，强调工具仅是辅助，核心在于独立思考。
文章探讨了如何利用 Workbuddy 这类 AI 工具将个人投资研究从依赖信息的“刷观点”转变为构建系统的“跑流程”。作者指出，AI 的真正价值在于帮投资者建立研究框架、拆解模糊感觉、量化观察指标以及进行复盘迭代，从而建立一套可重复的个人投资体系。文中强调不能盲从 AI 结论，而应将其作为研究助理。
文章讲述了作者如何利用 Claude Code 这一编程工具，成功转型为个人的投资研究分析师。通过将其与 Obsidian 知识库及浏览器自动化工具集成，作者构建了一个能够自动筛选数据、抓取信息、建模并撰写报告的工作流。文章指出，与普通的聊天机器人不同，Claude Code 能够独立执行复杂的任务链条，极大地提高了金融研究的效率。
本文介绍了作者建立的一套高效信息筛选与投研系统。通过每日定时浏览NewsNow、今日热榜等聚合网站解决信息焦虑，并利用Reddit、Product Hunt、Hacker News等10个信号源挖掘真实需求与商业机会。此外，结合Crunchbase、SEC EDGAR等8个深度投研工具进行交叉验证。文章强调固定节奏与复利思维，旨在通过构建系统化的信息获取方式，在AI时代发现稀缺的投资机会。
作者将MIT发布的12本研究生级AI教科书上传至Claude项目中，作为系统底层的永久上下文。这一改变使Claude从单纯的聊天机器人转变为基于第一性原理的推理系统。它不再仅进行模式匹配，而是运用概率理论和机器学习原理分析市场，甚至指出了凯利公式在加密货币肥尾分布下的不足。文章详细列出了涵盖ML基础、深度学习、强化学习等六部分的12本书单及其具体应用。
本文整理了查询宏观经济数据的一手信息源，旨在帮助读者养成查阅一手数据的习惯，避免被二手信息误导。文章上半部分详细列举了中国国家级核心数据发布平台（如国家统计局、央行、海关等）以及全球主要的国际组织数据库（如IMF、世界银行、OECD等），涵盖了从GDP、通胀到能源、贸易等各类关键数据的官方获取渠道。
